| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| seznamy:frazemy [2018/08/13 13:54] – vaclavcvrcek | seznamy:frazemy [2021/02/09 13:57] (aktuální) – jankrivan |
|---|
| ====== Automatická anotace frazémů a ustálených kolokací ====== | ====== Automatická anotace frazémů a ustálených kolokací ====== |
| |
| Jako součást korpusu [[cnk:syn:verze4|SYN verze 4]] byla zveřejněna pilotní verze automatické identifikace [[pojmy:frazem|frazémů]] a ustálených [[pojmy:kolokace|kolokací]] nástrojem **FRANTA** (<fc #ff0000>FR</fc>azémová <fc #ff0000>AN</fc>otace a <fc #ff0000>T</fc>extová <fc #ff0000>A</fc>nalýza). Program pracuje tak, že v korpusu vyhledává a označuje frazémy a ustálené kolokace (dále budeme používat zastřešující pojem //víceslovné jednotky//) z předem daného slovníku (seznamu), který v současné době vychází především ze //[[seznamy:if:frazemy_SCFI|Slovníku české frazeologie a idiomatiky]]// a obsahuje okolo 40 000 položek. | Jako součást korpusu [[cnk:syn|SYN]] (od verze 4) byla zveřejněna pilotní verze automatické identifikace [[pojmy:frazem|frazémů]] a ustálených [[pojmy:kolokace|kolokací]] nástrojem **FRANTA** (<fc #ff0000>FR</fc>azémová <fc #ff0000>AN</fc>otace a <fc #ff0000>T</fc>extová <fc #ff0000>A</fc>nalýza). Program pracuje tak, že v korpusu vyhledává a označuje frazémy a ustálené kolokace (dále budeme používat zastřešující pojem //víceslovné jednotky//) z předem daného slovníku (seznamu), který v současné době vychází především ze //Slovníku české frazeologie a idiomatiky// a obsahuje okolo 40 000 položek. |
| |
| Vzhledem k velké variabilitě realizace víceslovných jednotek v korpusu je způsob jejich vyhledávání do značné míry flexibilní: | Vzhledem k velké variabilitě realizace víceslovných jednotek v korpusu je způsob jejich vyhledávání do značné míry flexibilní: |
| |
| <WRAP round important 70%> | <WRAP round important 70%> |
| Automatická identifikace frazémů je zatím v pilotní verzi, která má prozatím některé **nedostatky**. Především si nečiní nárok na úplnost, řada výrazů tedy ve slovníku není zahrnutá. Dále je potřeba počítat s tím, že automatická anotace výrazů ze slovníku nemůže být spolehlivá: některé nemusejí být vůbec nalezeny (například proto, že nebyla detekována jejich nestandardní realizace), nebo může být naopak jako frazém označeno užití v doslovném významu (např. //Kocour si líže rány, které mu způsobil sousedův pes.//). | Automatická identifikace frazémů je zatím v pilotní verzi, která má prozatím některé **nedostatky** (viz podrobněji níže). Především si nečiní nárok na úplnost, řada výrazů tedy ve slovníku není zahrnutá. Dále je potřeba počítat s tím, že automatická anotace výrazů ze slovníku nemůže být spolehlivá: některé nemusejí být vůbec nalezeny (například proto, že nebyla detekována jejich nestandardní realizace), nebo může být naopak jako frazém označeno užití v doslovném významu (např. //Kocour si líže rány, které mu způsobil sousedův pes.//). |
| </WRAP> | </WRAP> |
| |
| ===== Chybovost frazémové anotace ===== | ===== Chybovost frazémové anotace ===== |
| |
| | Automatické označování ustálených kolokací probíhá bez jakékoliv znalosti syntaktické struktury a valence, je proto u některých hesel (zejména u dvouslovných nesouvislých slovesných frazémů) riziko, že u těchto nesouvislých frazémů mohou nastat problémy s jeho identifikací. Při vyhledávání hesel //mít figuru//, //mít frčku//, //mít náladu//, //mít právo// apod. jsou označeny i falešné výskyty, např.: |
| **Proč některé výskyty frazémů nebo ustálených kolokací nejsou automaticky označené?** | |
| |
| A) doposud nebyla ještě daná kolokace zpracovaná a zařazena do vyhledávání a označení v korpusu | * //Kdy jindy by se <fc #ff0000>měly</fc> zúročit všechny snahy o dokonalou <fc #ff0000>figuru</fc>, ...// |
| | * //V březnu roku 1872 <fc #ff0000>měl</fc> Myslbek v sádře hotovou jednu <fc #ff0000>figuru</fc> a rozpracovanou protější.// |
| | * //... každý, kdo <fc #ff0000>měl</fc> alespoň o jednu tu <fc #ff0000>frčku</fc> navíc, ...// |
| | * //Bulharský premiér Borisov <fc #ff0000>měl</fc> pro dobrou <fc #ff0000>náladu</fc> důvod.// |
| | * //<fc #ff0000>Mám</fc> advokátní praxi zaměřenou na rodinné <fc #ff0000>právo</fc>.// |
| | * //...nevěděli, koho <fc #ff0000>mají</fc> na toto <fc #ff0000>právo</fc> upozornit// |
| | * //... v demokratické společnosti <fc #ff0000>má</fc> každý <fc #ff0000>právo</fc> na své <fc #ff0000>právo</fc>// |
| |
| B) Text je chybně morfologicky diasmbiguovaný, proto se daný výskyt kolokace neidentifikoval. | |
| |
| C) příslušná kolokace nebyla zařazeno do programu identifikace, protože automaticky nelze spolehlivě určit, který výskyt daného řetězce slov v textu má hledaný přenesený význam. | Pilotní verze frazémové anotace stále trpí některými nedostatky. Jedním z nich je např. to, že některé výskyty frazémů nebo ustálených kolokací nejsou automaticky označené. Důvodů může být několik. |
| |
| **Jaké je riziko, že označené výskyty nejsou frazeologické?** (chyby v automatickém označení frazémů) | - doposud nebyla ještě daná kolokace zpracovaná a zařazena do vyhledávání a označení v korpusu |
| | - text je chybně morfologicky diasmbiguovaný, proto se daný výskyt kolokace neidentifikoval. |
| | - příslušná kolokace nebyla zařazeno do programu identifikace, protože automaticky nelze spolehlivě určit, který výskyt daného řetězce slov v textu má hledaný přenesený význam. |
| | |
| | Dalším rizikem automatické anotace je to, že označené výskyty nemusí být frazeologické. |
| |
| Frazeologický význam se realizuje jeho výskytem ve frazému. Označování frazémů probíhá automaticky, proto v případě některých obecných slovních spojením je velké riziko, že automaticky, jenom podle výskytu daného řetězce slov v textu, nelze spolehlivě určit, zda se jedná o přenesený frazeologický význam. | Frazeologický význam se realizuje jeho výskytem ve frazému. Označování frazémů probíhá automaticky, proto v případě některých obecných slovních spojením je velké riziko, že automaticky, jenom podle výskytu daného řetězce slov v textu, nelze spolehlivě určit, zda se jedná o přenesený frazeologický význam. |
| |
| Pozor tedy na **frazeologický** a **doslovný** význam slova:\\ | Pozor tedy na **frazeologický** a **doslovný** význam slova. Frazém popisující např. náladu sportovního týmu po těžké porážce (''col_lemma=%%"%%lízat_si_rány%%"%%'') se v doslovném významu v psaných textech objevuje zřídka, ale přesto: //Kocour <fc #ff0000>si líže rány</fc>, které mu způsobil sousedův pes.// |
| frazeologizmus popisující např. náladu sportovního týmu po těžké porážce | |
| - col_lemma="lízat_si_rány"\\ | |
| //Po odjezdu policistů <fc #ff0000>si</fc> pomlácení baseballisté před klubem <fc #ff0000>lízali rány</fc>, ...// | |
| | |
| Případů výskytu tohoto spojení v doslovném významu je v psaných textech opravdu málo:\\ | |
| //Kocour <fc #ff0000>si líže rány</fc>, které mu způsobil sousedův pes.// | |
| | |
| Oproti tomu ustálené slovní spojení:\\ | |
| col_lemma="jít_na_porážku"\\ | |
| //Už ráno bylo zřejmé, že ODS <fc #ff0000>jde na porážku</fc>.// | |
| | |
| se v textu častěji používá v doslovném významu:\\ | |
| //Nejvýkonnější dojnice <fc #ff0000>jdou</fc> běžně <fc #ff0000>na porážku</fc> už po dvou nebo třech obdobích březosti.// | |
| | |
| **Chybovost automatického označování frazémů.** | |
| | |
| Automatické označování ustálených kolokací probíhá bez jakékoliv znalosti syntaktické struktury a valence, je proto u některých hesel (zejména u dvouslovných nesouvislých slovesných frazémů) riziko, že u těchto nesouvislých frazémů mohou nastat problémy s jeho identifikací. Při vyhledávání hesel //mít figuru//, //mít frčku//, //mít náladu//, //mít právo// apod. jsou označeny i falešné výskyty, např.: | |
| | |
| //Kdy jindy by se <fc #ff0000>měly</fc> zúročit všechny snahy o dokonalou <fc #ff0000>figuru</fc>, ...//\\ | |
| //V březnu roku 1872 <fc #ff0000>měl</fc> Myslbek v sádře hotovou jednu <fc #ff0000>figuru</fc> a rozpracovanou protější.//\\ | |
| //... každý, kdo <fc #ff0000>měl</fc> alespoň o jednu tu <fc #ff0000>frčku</fc> navíc, ...//\\ | |
| //Bulharský premiér Borisov <fc #ff0000>měl</fc> pro dobrou <fc #ff0000>náladu</fc> důvod.//\\ | |
| //<fc #ff0000>Mám</fc> advokátní praxi zaměřenou na rodinné <fc #ff0000>právo</fc>.//\\ | |
| //...nevěděli, koho <fc #ff0000>mají</fc> na toto <fc #ff0000>právo</fc> upozornit//\\ | |
| //... v demokratické společnosti <fc #ff0000>má</fc> každý <fc #ff0000>právo</fc> na své <fc #ff0000>právo</fc>// | |
| |
| Případné mezení při vyhledávání těchto frazémů, že mezi slovy frazému se nenachází předložka, by zamezilo označení frazeologických výskytů ve větách: | Oproti tomu ustálené slovní spojení (''col_lemma=%%"%%jít_na_porážku%%"%%'' -- //Už ráno bylo zřejmé, že ODS <fc #ff0000>jde na porážku</fc>.//) se v textu častěji používá v doslovném významu: //Nejvýkonnější dojnice <fc #ff0000>jdou</fc> běžně <fc #ff0000>na porážku</fc> už po dvou nebo třech obdobích březosti.// |
| |
| //... koneckonců <fc #ff0000>má</fc> na svůj obraz nějaké <fc #ff0000>právo</fc>, jenom to nikoho nezajímá.//\\ | ====== Další příklady vyhledávání frazémů ====== |
| //<fc #ff0000>Nemám</fc> na tohle všechno <fc #ff0000>právo</fc>.// | |
| . | |
| |
| | Příklady hledání frazémů najdete na [[kurz:hledani_frazemy|zvláštní stránce]]. |
